콘텐츠 기반 필터링 방식(content-based filtering)은 추천알고리즘 중에서 좀 더 고전적인 방식으로, 사용자의 특징이나 선호에 관한 프로필을 만든 뒤에 이를 주어진 데이터베이스에 담긴 콘텐츠의 속성과 매치해서 추천하는 방식이다. 예를 들어, 사용자가 어떤 노래를 들었는지 파악하여 그 중 많이 들은 장르가 힙합이라고 하면 사용자의 노래 취향을 힙합이라고 판단해서 새로운 힙합 노래가 나오면 추천해주는 방식이다. 구체적인 추천의 과정에서는 ‘유사도similarity" 점수를 계산하여 추천의 순위를 정하게 된다.
이 방식이 잘 작동하기 위해서는 사용자의 특징이나 선호를 잘 파악하여 정확한 프로필을 만들어두는 것이 중요하다. 또한 이와 매치가 되는 데이터베이스에 담긴 콘텐츠에 대해 정확한 분류가 되어 있고 그에 대해 레이블링이 잘이루어져 있다는 것이 중요한 전제가 된다. 이러한 전제가 제대로 충족이 되지 않는다면, 추천 알고리즘이 작동하더라도 사용자가 관심을 보이지 않을 법한 엉뚱한 추천이 발생할 확률이 커질 것이다.
- P98
콘텐츠 기반 필터링과는 차별화되는 중요한 방식으로 협업 필터링collaborative filtering 방식이 있다. 이 방식은 상대적으로 최근에 들어와서 고도화되었고 그러면서 활용도가 더욱 높아진 알고리즘이다. 유사한 속성을 가진 사용자들사이의 선호나 취향에 관한 데이터를 추출하여, 이로부터 개별 사용자의 선호나 취향에 관한 예측을 하는 방식이다.
예를 들어 사용자 A와 B의 구매 패턴을 비교했을 때, 10개의 물건 중 1~8번까지는 구매 패턴이 똑같은데 9번의 경우 사용자 A는 구매하고 사용자 B는 구매하지 않았다면 사용자 B에게 9번 구매를 권유하는 것이다. 반대로 10번 물건에 대해 사용자 B는 구매했는데 사용자 A는 구매하지 않았다면 10번 물건은 사용자 A에게 추천하는 것이다. - P100
이를 사회적 맥락을 고려하여 해석해보자. 오프라인 점포를 어렵지 않게 찾을 수 있는 곳은 전문직 종사자가 많이 거주할 법한 지역이다. 사무용품에 대한 수요가 많을 것이기 때문이다. 다른 한편, 오프라인 점포를 찾기 어려운 곳은, 수요가 적은 것을 반영하여 사회적, 경제적으로 어려운 환경에 놓인 사람들이 사는 지역일 확률이 높다. 결과적으로, 전문직 종사자가 많이 거주하는 지역은 근처에 오프라인 점포도 많을뿐더러 온라인상에서도 상대적으로 물건값이 저렴하게 나타난다. 반면에 사회경제적 취약계층이 사는 곳은 거주지 근처에서 오프라인 점포를 찾기도 어려운데다 온라인상에서도 더 비싼 가격에 물건을 주문해야 하는 상황에 직면하는 것이다.
이러한 현상은 인공지능 알고리즘의 활용도가 높아지면서 계속해서 나타날 가능성이 있다. 이는 개별 기업을 비난한다거나 도덕적 책임을 부과한다고 해서 해결될 수 있는 유형의 문제가 아니다. 다만 어떤 변화가 나타나고 있는지, 변화의 소용돌이 속에서 편리함과 불이익이 어떤 형태로 발현되어 각각의 사회구성원들에게 어떤 영향을 미는지에 대해 지속적으로 관심을 가질 필요가 있다. - P106
안면인식은 기본적으로 데이터베이스에 저장된 이미지와 새로이 확보된 이미지를 비교하여 동일인인지 확인하는 역할을 한다. 실무적으로는 흔히 ‘1대1 매칭one-to-one matching‘과 ‘1대 다 매칭one-to-many matching‘으로 구분한다. ‘1대1 매칭‘은 휴대폰의 잠금장치를 여는 것과 같이, 저장된 이미지와 새로이 입력된 이미지 사이의 유사성을 확인하여 검증하는 방식이다. 한편, ‘1대 다 매칭‘은 새로이 확보된 이미지와 데이터베이스 안의 여러 인물의 이미지를 비교하여 이 중 동일인을 찾을 수 있는지에 관한 것이다. - P107
결국 차별이라든가 공정성 개념을 논할 때 고민하게 되는 것 중의 핵심 영역 하나는 어떤 데이터에 기초해서 판단할 것인가 하는 문제다. 학습 데이터나 입력값input data을 어떤 식으로 규제할 것인가? 또는 학습 데이터나 입력값은 가급적 규제하지 않고 결과값ouput data에 초점을 두는 규율을 할 것인가? 이것이 인공지능 시대에 차별, 공정성을 바라보는 핵심적 정책 변수가 되는 것이다. - P130
|